
# Penjanaan Data Sintetis Berasaskan Graf Kausal untuk Pematuhan Peraturan

## Pengenalan

Data sintetik telah menjadi asas penting untuk melatih model AI apabila data dunia sebenar sukar didapati, sensitif, atau sangat diatur. Walaupun teknik generatif tradisional (GAN, model difusi, simulator berasaskan LLM) cemerlang dalam meniru taburan statistik, mereka sering mengabaikan **hubungan kausal** yang semakin dikehendaki oleh regulator untuk dipelihara.  

Regulator seperti **[AI Act EU](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)**, **FDA** AS untuk peranti perubatan, dan **[CCPA](https://oag.ca.gov/privacy/ccpa)** untuk privasi pengguna bergerak ke arah **keterjelasan** dan **ketelusuran** alur data. Set data sintetik yang hanya meniru statistik marginal mungkin lulus audit permukaan tetapi akan gagal apabila regulator menanya, “Bolehkah anda membuktikan bahawa rekod sintetik menghormati mekanisme kausal asas populasi sumber?”

Masuklah **penjanaan data sintetik berasaskan graf kausal** (CG‑SDG). Dengan memodelkan secara eksplisit struktur sebab‑akibat data asal, kita dapat menghasilkan rekod sintetik yang:

* Menjaga kebergantungan yang relevan secara sah (contoh: umur → hasil kesihatan, skor kredit → kelulusan pinjaman).
* Menyediakan jejak audit yang telus yang menghubungkan setiap ciri sintetik kembali ke nod kausal.
* Membolehkan **analisis kontra‑faktual** untuk keadilan dan mitigasi bias.
* Menyokong **pematuhan dinamik** apabila peraturan berubah.

Artikel ini akan membimbing anda melalui teori, pelaksanaan praktikal, dan manfaat pematuhan CG‑SDG, dengan fokus bagaimana organisasi dapat menyematkannya ke dalam alur data dan kerangka tadbir urus yang sedia ada.

---

## Mengapa Graf Kausal Penting untuk Pematuhan

| Kebimbangan Peraturan | Data Sintetik Tradisional | Pendekatan Graf Kausal |
|-----------------------|---------------------------|------------------------|
| **Keterjelasan** | Penjanaan kotak hitam, sukar dibenarkan | Setiap ciri sintetik dihasilkan daripada persamaan kausal yang jelas |
| **Audit Keadilan** | Pengesanan bias selepas fakta, pemulihan terhad | Pertanyaan kontra‑faktual mendedahkan pengaruh atribut terpelihara |
| **Keturunan Data** | Metadata provenance terhad | Nod graf berfungsi sebagai jangkar keturunan, membolehkan jejak audit yang tidak boleh diubah |
| **Kemas Kini Polisi Dinamik** | Melatih semula keseluruhan model bila peraturan berubah | Hanya mengemas kini tepi kausal yang terjejas, mengekalkan baki alur |

Dengan menyelaraskan penjanaan data sintetik dengan **Graf Arah Tanpa Kitaran (DAG)** yang memuat pengetahuan domain, organisasi memperoleh **sumber kebenaran tunggal** untuk pasukan sains data dan pematuhan.

---

## Membina Graf Kausal daripada Data Sumber

### 1. Penangkapan Pengetahuan Domain

Mulakan dengan pakar subjek (SME) untuk menyenaraikan pemboleh ubah dan pautan kausal yang dihipotesiskan. Untuk kes penggunaan penjagaan kesihatan, nod tipikal termasuk:

* Demografi (Umur, Jantina, Etnik)
* Gaya Hidup (Merokok, Senaman)
* Ukuran Klinikal (Tekanan Darah, Kolesterol)
* Hasil (Diagnosa Penyakit, Hospitalisasi)

### 2. Pembelajaran Struktur Berdasarkan Data

Gabungkan input pakar dengan algoritma seperti **PC**, **GES**, atau **NOTEARS** untuk menemui tepi tambahan. Graf yang terhasil harus **disahkan** terhadap literatur perubatan yang diketahui bagi mengelakkan sambungan palsu.

### 3. Parameterisasi

Berikan bentuk fungsi atau jadual kebarangkalian bersyarat (CPT) kepada setiap tepi. Untuk pemboleh ubah berterusan, model regresi linear atau bukan linear berfungsi; untuk pemboleh ubah kategori, regresi logistik multinomial adalah biasa.

### 4. Pengesahan

Lakukan **ujian d‑separation** dan **simulasi intervensi** untuk memastikan graf menghasilkan kebebasan bersyarat yang diperhatikan dan menghormati intervensi yang diketahui (contoh: kesan ubat).

---

## Mengintegrasikan Graf Kausal dengan Penjana Data Sintetik

Corak integrasi dapat dilihat sebagai alur kerja:

```mermaid
flowchart TD
    A["Data Sumber Mentah"] --> B["Penemuan Kausal (PC/NOTEARS)"]
    B --> C["DAG yang Disahkan"]
    C --> D["Anggaran Parameter"]
    D --> E["Penjana Kausal (Do‑Calculus)"]
    E --> F["Enjin Data Sintetis (GAN / Diffusi)"]
    F --> G["Lapisan Pematuhan (Log Audit, Pemeriksaan Kontrafaktual)"]
    G --> H["Set Data Sintetis untuk Latihan Model"]
```

1. **Penjana Kausal**: Menggunakan **do‑calculus** untuk menghasilkan sampel yang mematuhi DAG. Langkah ini boleh dilaksanakan dengan perpustakaan seperti **DoWhy**, **causalml**, atau modul PyTorch tersuai.
2. **Enjin Data Sintetis**: Mengambil sampel kausal sebagai input bersyarat untuk GAN atau model difusi, memastikan kesetiaan tinggi sambil mengekalkan struktur kausal.
3. **Lapisan Pematuhan**: Secara automatik merekod laluan kausal bagi setiap rekod yang dijana, melampirkan metadata (contoh: versi DAG, nilai parameter), dan menjalankan pemeriksaan keadilan kontra‑faktual.

---

## Menjamin Pematuhan Peraturan

### 3.1 Jejak Audit Tidak Boleh Diubah

Simpan DAG, versinya, dan benih rawak yang digunakan untuk setiap kumpulan sintetik dalam **ledger berasaskan blockchain** atau **log hanya tambah**. Ini memenuhi keperluan **ketelusuran** dan **bukti tidak diubah**.

### 3.2 Laporan Keadilan Kontra‑faktual

Bagi setiap atribut terpelihara (contoh: jantina, bangsa), hasilkan **set data kontra‑faktual** di mana atribut tersebut dibalik sambil mengekalkan semua nenek moyang kausal yang lain tidak berubah. Bandingkan ramalan model untuk menunjukkan bahawa data sintetik tidak mengandungi bias haram.

### 3.3 Penguatkuasaan Polisi Dinamik

Apabila regulator mengeluarkan peraturan baru (contoh: “Umur tidak boleh digunakan sebagai proksi risiko kredit”), kemas kini DAG dengan **mengeluarkan atau menyembunyikan** tepi yang menyinggung. Jalankan semula penjana tanpa melatih semula GAN di bawah, mengurangkan masa tindak balas pematuhan secara drastik.

### 3.4 Templat Dokumentasi

Gunakan templat gaya **Formize** untuk mengisi secara automatik dosier pematuhan:

* **Diagram Alur Data** (dihasilkan daripada DAG)
* **Pernyataan Impak Kausal** (deskripsi bahasa semula jadi bagi setiap tepi)
* **Log Perubahan Versi** (perbezaan gaya Git bagi kemas kini DAG)

---

## Kajian Kes Dunia Sebenar: Penilaian Kredit di EU

**Latar Belakang** – Sebuah fintech Eropah memerlukan set data sintetik untuk melatih model penilaian kredit generasi seterusnya sambil mematuhi **[AI Act EU](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** dan **[GDPR](https://gdpr.eu/)**.

**Pendekatan**  

1. **Pemodelan Kausal** – Dibina DAG yang menghubungkan *Umur*, *Pendapatan*, *Status Pekerjaan*, *Sejarah Kredit*, dan *Keputusan Pinjaman*. SME mengesahkan bahawa *Umur → Pendapatan* dan *Status Pekerjaan → Pendapatan* adalah laluan kausal yang sah.
2. **Penyesuaian Peraturan** – AI Act melarang penggunaan *Umur* secara langsung untuk penilaian. Pasukan **menyekat** tepi *Umur → Keputusan Pinjaman*, mengekalkan *Umur → Pendapatan* untuk realisme tetapi memastikan model downstream tidak dapat mengeksploitasinya.
3. **Penjanaan Sintetik** – Menggunakan **penjana do‑calculus** untuk menghasilkan 1 juta sampel kausal, kemudian memasukkannya ke dalam **Conditional GAN** bersyarat pada *Pendapatan* dan *Sejarah Kredit*.
4. **Pengesahan Pematuhan** – Menjalankan pemeriksaan keadilan kontra‑faktual, menghasilkan log audit tidak boleh diubah, dan menghasilkan pakej pematuhan Formize.

**Hasil** – Set data sintetik mencapai **98 % kesamaan statistik** dengan data asal, lulus audit regulator luar, dan mengurangkan masa ke pasaran model penilaian baru sebanyak **45 %**.

---

## Panduan Pelaksanaan Langkah demi Langkah

| Langkah | Tindakan | Alat & Petua |
|--------|----------|--------------|
| 1 | **Kumpulkan pengetahuan domain** – temubual SME, kumpulkan dokumen polisi | Confluence, Miro untuk brainstorming visual |
| 2 | **Jalankan pembelajaran struktur** – gunakan PC atau NOTEARS pada sampel representatif | Perpustakaan `causal-learn` Python, Spark untuk data besar |
| 3 | **Sahkan & perbaiki DAG** – bandingkan dengan literatur, lakukan ujian d‑separation | DoWhy, Tetrad |
| 4 | **Parameterisasi tepi** – latih model regresi atau probabilistik | scikit‑learn, PyTorch Probabilistic |
| 5 | **Laksanakan penjana kausal** – hasilkan intervensi do‑ | Operator `do` DoWhy, penjana PyTorch tersuai |
| 6 | **Integrasikan dengan model generatif** – kondisikan GAN/Difusi pada sampel kausal | StyleGAN2‑ADA, Stable Diffusion, Hugging Face Diffusers |
| 7 | **Tambah lapisan pematuhan** – log versi DAG, benih, pemeriksaan kontra‑faktual | OpenTelemetry, API Formize |
| 8 | **Deploy & pantau** – jadualkan retraining berkala bila data sumber berubah | Airflow, Prefect, MLflow |
| 9 | **Audit & laporan** – jana dosier pematuhan automatik | Templat Formize, perpustakaan penjana PDF |

---

## Gambaran Manfaat

* **Keselarasan Regulator** – Menjawab secara langsung keperluan keterjelasan dan keadilan.
* **Kos Retraining Berkurang** – Mengemas kini satu tepi lebih murah daripada membina semula keseluruhan model generatif.
* **Kepercayaan Dipertingkat** – Pemangku kepentingan dapat menelusuri setiap rekod sintetik kembali ke laluan kausal.
* **Kebolehan Model Lebih Kukuh** – Data sintetik yang peka kontra‑faktual meningkatkan ketahanan model downstream terhadap perubahan taburan.

---

## Cabaran dan Mitigasi

| Cabaran | Mitigasi |
|----------|----------|
| **DAG Kompleks** – Domain berdimensi tinggi boleh menghasilkan graf padat. | **Pemangkasan graf** berdasarkan ambang signifikan statistik; memodularkan kepada sub‑graf. |
| **Ketidakpastian Parameter** – Data terhad untuk menganggarkan CPT dengan tepat. | Gunakan **prior Bayesian** dan pensampelan **Monte Carlo** untuk menangkap ketidakpastian. |
| **Skalabilitas** – Penjanaan kausal boleh lebih perlahan berbanding penjana GAN semata. | Paralelkan pensampelan merentasi eksekutor Spark; cache nilai nod antara. |
| **Interpretasi Regulator** – Ambiguiti dalam cara regulator menilai pemeliharaan kausal. | Kekalkan peranan **perhubungan regulator**; dokumentasikan rasional setiap tepi dalam bahasa mudah. |

---

## Arah Masa Depan

1. **Pembelajaran Graf Kausal Teragregasi** – Gabungkan penemuan tepi merentasi peranti tepi tanpa berkongsi data mentah, membolehkan **data sintetik berpusat tepi** yang menghormati privasi secara reka bentuk.
2. **Penemuan Kausal Dibantu LLM** – Gunakan model bahasa besar untuk mencadangkan pautan kausal yang berkemungkinan, kemudian sahkan secara statistik.
3. **Bukti Tanpa Pengetahuan (Zero‑Knowledge Proofs) untuk Jejak Audit** – Gunakan zk‑SNARKs untuk membuktikan bahawa rekod sintetik mematuhi DAG tanpa mendedahkan parameter dalaman.
4. **Saluran Tubi Diri‑Menyembuhkan** – Kesan drift dalam hubungan kausal (contoh: perubahan akibat pandemik) dan secara automatik belajar semula tepi yang terjejas.

---

## Kesimpulan

Penjanaan data sintetik berasaskan graf kausal menjembatani jurang antara **data latihan AI berkualiti tinggi** dan **pemenuhan peraturan yang ketat**. Dengan menjadikan struktur sebab‑akibat jelas, organisasi memperoleh alur data yang telus, boleh diaudit, dan boleh disesuaikan yang memenuhi piawaian tadbir urus AI yang muncul sambil mengekalkan kekayaan statistik yang diperlukan untuk model pembelajaran mesin moden.

Mengadopsi CG‑SDG memerlukan kolaborasi antara sains data, pematuhan, dan pakar domain, tetapi pulangan — masa ke pasaran yang lebih cepat, risiko undang‑undang yang berkurang, dan kepercayaan pemegang kepentingan yang lebih kuat — menjadikannya keutamaan strategik bagi mana‑mana perusahaan yang berorientasikan AI.

---

## Lihat Juga

- [DoWhy – Causal Inference for Python](https://github.com/microsoft/dowhy) – Perpustakaan sumber terbuka untuk pemikiran kausal dan do‑calculus.  
- [EU AI Act – Dokumentasi Rasmi](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence) – Kerangka peraturan yang membentuk pematuhan AI di Eropah.  
- [Synthetic Data Generation with GANs – A Survey (2023)](https://arxiv.org/abs/2305.12345) – Tinjauan komprehensif teknik generatif.  
- [Formize Platform Automasi Pematuhan](https://www.formize.com) – Penyelesaian low‑code untuk dokumentasi bersedia audit dan automasi alur kerja.